Adversarial Estimation of Riesz Representers

要約

多くの因果関係パラメーターは、基礎となる回帰の線形関数です。
Riesz 表現は、セミパラメトリックに推定された線形関数の漸近分散の重要なコンポーネントです。
一般関数空間を使用してリース表現を推定するための敵対的フレームワークを提案します。
非漸近平均二乗率を臨界半径と呼ばれる抽象的な量で証明し、それをニューラル ネットワーク、ランダム フォレスト、および主要なケースとしてカーネル ヒルベルト空間の再現に特化します。
私たちの推定器は、サンプル分割によるターゲットを絞った偏りのない機械学習と高い互換性があります。
当社の保証は、誤った仕様を許容する推論の一般条件を直接検証します。
また、安定性や複雑さに基づいて、サンプルを分割せずに推論を証明するために保証を使用します。
当社の推定器は、以前の手法の一部が機能しない高度に非線形のシミュレーションでも名目範囲を達成します。
これらは、マッチング補助金の不均一な効果に新たな光を当てています。

要約(オリジナル)

Many causal parameters are linear functionals of an underlying regression. The Riesz representer is a key component in the asymptotic variance of a semiparametrically estimated linear functional. We propose an adversarial framework to estimate the Riesz representer using general function spaces. We prove a nonasymptotic mean square rate in terms of an abstract quantity called the critical radius, then specialize it for neural networks, random forests, and reproducing kernel Hilbert spaces as leading cases. Our estimators are highly compatible with targeted and debiased machine learning with sample splitting; our guarantees directly verify general conditions for inference that allow mis-specification. We also use our guarantees to prove inference without sample splitting, based on stability or complexity. Our estimators achieve nominal coverage in highly nonlinear simulations where some previous methods break down. They shed new light on the heterogeneous effects of matching grants.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google